Implement primer pair finding and evaluation logic

This change introduces the core functionality for identifying, validating, and statistically evaluating primer pairs within the corpus. It includes new data structures for primer parameters, amplicon statistics, and sequence handling, along with methods for assigning taxa to sequences. Comprehensive tests are added to ensure the accuracy of the pair evaluation against expected outputs.

OBIPRIMERS_NOTES.md

@@ -301,3 +301,59 @@ Variantes du protocole :
 
 Décision en suspens : écrire la variante 3 maintenant, ou d'abord finir le pipeline (paires et indices)
 et profiler l'ensemble pour savoir si l'appariement domine encore.
+
+## 12. Mode A, étape 4 : paires et indices (2026-11-03)
+
+Code : `taxa.go` (`Taxa`, `Corpus.AssignTaxa`), `pairs.go` (paramètres, amorces conservées, énumération
+des amplicons, contrainte du 3', comptage), `pairs_eval.go` (`FindPairs`, `PairStats`, Bc, Bs, Yule, Tm),
+test opt-in `TestPairsAgainstEcoPrimers`.
+
+Fidèle à ecoPrimers : amorce conservée = trouvée dans >= floor(|E| x 0,9) exemples ; « good » si en plus
+<= floor(|C| x 0,1) contre-exemples ; une paire a au moins une amorce good ; longueur d'amplicon
+strictement entre `-l` et `-L` ; clé de paire (amorce 1, sens, amorce 2, sens) ordonnée par mot
+canonique ; paire retenue si q > 0,9 et qfp < 0,1 (comparaisons en float32 comme le C) et Bs >= 0,6 ;
+Bc = taxons amplifiés / taxons exemples ; **Bs = taxons identifiés / taxons amplifiés par la paire**
+(et non / tous les taxons : c'est ce que fait le code, l'article est ambigu) ; un taxon est identifié si
+au moins un de ses amplicons n'est partagé avec aucun autre taxon ; tri par Yule x Bs.
+
+Choix d'implémentation (mémoire) : deux phases. Phase 1 ne garde que des compteurs par paire (séquences
+exemples/contre-exemples, longueurs) ; phase 2 ne revisite que les paires retenues (407 / 3 448) et
+n'enregistre qu'un hash 64 bits d'amplicon par occurrence au lieu de stocker les amplicons. ecoPrimers
+conserve un amplicon par occurrence de chaque paire candidate (42 682 paires pour Cyprinidae).
+
+**Contrôle contre les tables complètes d'ecoPrimers** (mêmes paramètres, `-e 3 -3 2 -l 30 -L 150 -c`) :
+
+| Jeu | Paires | Résultat |
+|---|---|---|
+| Cyprinidae | 3 448 / 3 448 | **identique sur toutes les colonnes** : amorces, good, séquences, taxons, Bc, Bs, longueurs, GC, Tm, Tm minimale |
+| Teleostei | 407 / 407 | mêmes paires ; **6 comptent 1 séquence de moins** (NC_033548) |
+
+Cause de l'écart Teleostei **établie par expérience** : l'`extractSite` d'ecoPrimers lit un `N` (code 4)
+dans un registre à décalage ; le 4 déborde sur la base voisine et `~4 & 3` vaut 3 (T), donc un `N` en 3'
+peut être accepté par accident. En émulant exactement ce registre dans le test du 3' (modification
+temporaire, annulée), les **deux tables sont reproduites à 100 %** sur toutes les colonnes. Non conservé :
+une base ambiguë ne peut pas être une correspondance 3' vérifiée. Le test fige donc l'écart (6 paires,
+-1 séquence, rien d'autre ne diffère). Une première émulation plus grossière (N lu comme A) était
+fausse : elle créait un écart dans Cyprinidae.
+
+Autres écarts connus, non testés sur ces données : fenêtres à cheval sur la jonction circulaire, que
+le C lit au-delà du tableau (comportement indéfini) alors que nous reprenons au début ; Tm minimale
+ignorant les sites contenant une base ambiguë (le C en tire des valeurs arbitraires).
+
+**Profil du pipeline complet (16 workers, M3 Max)**, le critère de l'option A :
+
+| Étape | Cyprinidae | Teleostei |
+|---|---|---|
+| lecture + sélection | 0,45 s | 0,44 s |
+| taxons | 0,00 s | 0,00 s |
+| mots stricts | 0,14 s | 1,04 s |
+| **recherche approchée** | **4,14 s** | **10,18 s** |
+| paires + indices + Tm | 1,04 s | 1,12 s |
+| total | ~5,8 s | ~12,8 s |
+
+ecoPrimers complet : 134 s et 350 s. **L'appariement approché reste 72 % à 80 % du total : la variante
+SIMD (variante 3) est justifiée par la mesure.** Mémoire : non isolée (le tas de 2,3 à 2,8 Go du test
+contient la taxonomie NCBI complète).
+
+Non fait : option `-U` (pas de multi-match), séquence de référence `-R`, sets d'amorces, sortie CSV,
+CLI. Prochaine étape : variante 3 (bit-parallèle multi-mots, SIMD).